- 博客(15)
- 资源 (2)
- 收藏
- 关注
RSS订阅原创 机器学习数据工程
数据分类# 单类别数据one_value_fea = [col for col in data.columns if data[col].nunique() <= 1]# 数值类型变量numerical_fea = list(data.select_dtypes(exclude=['object']).columns)# 类别类型category_fea = list(filter(lambda x: x not in numerical_fea,list(data.columns)))
2022-04-22 14:23:11
208
原创 机器学习数据读取
不同来源的数据集的读取方式不同批量读取数据或者分批次读取数据遇到大的文件，需要分块读取的方式import pandas as pd# 读取前1000行数据data = pd.read_csv('data.csv',nrows =1000)#只读第一列，想读哪一列就在后面写哪一列 df=pd.read_csv("data.csv",usecols=colums_label)#设置chunksize参数，来控制每次迭代数据的大小，分块读取chunker = pd.read_csv("./
2022-04-22 14:17:47
724
原创 机器学习构建数据集
1、sklearn自带数据集sklearn中的算法一样，使用“实例化、fit、predict/score”三部曲。datasets里面能够自己创建数据集、也提供可使用的数据集，二者在同一级from sklearn import datasetsfrom sklearn.linear_ .model import LinearRegressionimport matplotib.pyplot as plt#laded_data = dasetsload. boston##data_X = l
2022-04-22 14:13:38
1703
原创 机器学习决策树
目录分类与回归构建决策树分类与回归分类法的例子包括决策分类法，基于规则的分类法，神经网络，支持向量机和朴素贝叶斯分类法构建决策树树的形状决策树的特征选择
2021-09-27 13:55:23
117
原创 机器学习——智能优化之遗传算法
目录简介代码实现简介代码实现import numpy as npimport matplotlib.pyplot as pltfrom matplotlib import cmfrom mpl_toolkits.mplot3d import Axes3DDNA_SIZE = 24POP_SIZE = 200CROSSOVER_RATE = 0.8MUTATION_RATE = 0.005N_GENERATIONS = 50X_BOUND = [-3, 3]Y_BOUND = [-
2021-09-03 14:25:53
166
原创 机器学习——随机森林
目录简介随机森林分类直接实现随机森林回归简介随机森林分类直接实现'''随机森林需要调整的参数有：（1） 决策树的个数（2） 特征属性的个数（3） 递归次数（即决策树的深度）'''from numpy import inffrom numpy import zerosimport numpy as npfrom sklearn.model_selection import train_test_split #生成数据集。数据集包括标签，全包含在返回值的dataset
2021-09-03 10:50:24
147
原创 机器学习——模型持久化
目录简介使用python自带的pickle使用sklearn中的模块joblib实例简介当我们训练好一个模型之后，将其保存下来之后下次就可以直接使用而不需要再次耗费很多时间去重新对模型进行训练。使用python自带的picklefrom sklearn.ensemble import RandomForestClassifierfrom sklearn import datasetsimport pickle#方法一:python自带的pickle(X,y) = datasets.load
2021-09-03 09:19:12
496
原创 机器学习——主成分分析法(PCA)
目录简介代码实现简介代码实现import matplotlib.pyplot as plt #加载matplotlib用于数据的可视化from sklearn.decomposition import PCA #加载PCA算法包from sklearn.datasets import load_iris data=load_iris()y=data.targetx=data.datapca=PCA(n_components=2)
2021-09-02 15:41:30
282
原创 机器学习——Kmeans聚类算法
最关键的问题是其中k值的确定方式import pandas as pdfrom sklearn.cluster import KMeansimport matplotlib.pyplot as plt df_features = pd.read_csv(r'C:\预处理后数据.csv',encoding='gbk') # 读入数据'利用SSE选择k'SSE = [] # 存放每次结果的误差平方和for k in range(1,9): estimator = KMeans(n_cl
2021-08-31 22:41:36
1878
原创 机器学习——层次分析算法
目录理论1、说明：2、理论依据：3、优点4、缺点5、总结6、构建方式以及一致性检验代码实现参考理论1、说明：为了使得平衡计分卡变得更加系统，并完善其理论的科学依据，因此使用了层次分析法对其进行指标权重的分配2、理论依据：层次分析法是一种带有主观色彩的多方案多目标的实用性决策方式，是一种定性与定量相结合的决策分析方法。利用决策者的经验判断各衡量指标之间能否实现的标准之间的相对重要程度，并合理给出每个决策方案的各个衡量指标的权重，利用权重求出各个方案之间的优劣次序，有利于后续的定量分析。层次分析法
2021-08-29 13:05:01
3440
原创 机器学习——最短路径算法
使用字典的方式构建有向图，并搜索图中的路径。提供了三种不同的操作函数：不足点：只能够处理无权无向图#这个图有6个节点(A-G)和8个弧。它可以通过下面的Python数据结构来表示：graph = {'A': ['B', 'C','D'], 'B': ['E'], 'C': ['D','F'], 'D': ['B','E','G'], 'E': [], 'F': ['D','G'], 'G':
2021-08-29 12:10:20
1333
1
原创 PAT_程序设计笔记（更新中）
1、map函数的使用方法：map() 会根据提供的函数对指定序列做映射。第一个参数 function 以参数序列中的每一个元素调用 function 函数，返回包含每次 function 函数返回值的新列表。map(function, iterable, ...)function -- 函数iterable -- 一个或多个序列可以成为转化的方式，也可以类似于lambda一样对元素的操作a=list(map(int,input().split()))# 这个方法很有用！>>&
2021-08-24 12:38:42
269
原创 Java基础
简介：Java具有安全性、跨操作系统的可移植性、自动垃圾收集。完整的平台、庞大的库（具有很多可重用的代码）简单性：剔除C++中少用、难以理解、易混淆的特性。没有头文件、指针运算（指针语法）、结构、联合、操作符重载、虚基类等。其中JAVA Micro Edition已经适合嵌入式了。面向对象（数据）：重点在数据和数据的接口上面。面向对象特性和C++相当，主要不同在于多重继承，JAVA中更多的是用简单的接口概念。更丰富的运行自省功能。分布式：丰富的例程库，处理HTTP和FTP的TCP/I
2021-07-30 14:23:16
95
学生成绩管理系统.zip
2020-01-06
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人